基于自适应分区映射的抗噪声 AI 增强 DNA 存储
信息论
2026-01-26 v1 math.IT
摘要
将数字信息编码至 DNA 序列为信息时代和人工智能的兴起提供了存储快速增长数据的有吸引力的解决方案。然而，DNA存储的实际实现受制于合成、保存和测序过程中引入的错误，传统纠错码在超过预定义阈值的噪声水平下仍显脆弱。本文开发了一种带跳转旋转的分区映射 (PJ) 编码方案，具有卓越的噪声韧性。PJ 消除了跨链信息依赖，使链丢失表现为局部间隙而非灾难性文件失效。它优先保证在任意噪声条件下文件可解码性，并利用基于 AI 的推理实现数字信息的可控恢复。对于链内编码，PJ 采用跳转旋转策略，相对于传统旋转码放宽了序列约束，通过可调的跳转长度提供可调的信息密度。基于该编码架构，原始文件信息可在任意链丢失率下解码恢复，随损坏程度平滑降低保真度。我们证明，即使在 10% 链丢失条件下，原始文件可有效恢复，存储的机器学习数据集在此条件下仍保持分类性能。实验进一步表明，PJ 能在加速老化和高强度 X 射线辐照等极端环境干扰后成功解码图像文件。通过消除对先验错误概率的依赖，PJ 建立了一个能够抵御实际保存条件下严苛要求的通用稳健 DNA 存储框架。
引用
@article{arxiv.2601.16518,
title = {Noise-immune and AI-enhanced DNA storage via adaptive partition mapping of digital data},
author = {Zimu Li and Bingyi Liu and Lei Zhao and Qian Zhang and Yang Liu and Jun Liu and Ke Ke and Huating Kong and Xiaolei Zuo and Chunhai Fan and Fei Wang},
journal= {arXiv preprint arXiv:2601.16518},
year = {2026}
}